/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,3 млрд
Размер весов
6,6 ГБ
Лицензия
Своя лицензия
Архитектура
llama · dense
Опубликована
3 авг 2026

orpheus-telugu-male-qlora-v1

Генерация текстаТекст → текст3 профессии

Модель на основе Orpheus синтезирует речь на телугу мужским голосом из текста с префиксом `telugu_male`.

12скачиваний за 30 дней0лайковвеса обновлены4 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Orpheus Telugu Male (QLoRA v1) — модель преобразования текста в речь для телугу с мужским голосом, разработанная prasadvittaldev на основе Orpheus от canopylabs. Она принимает текст с префиксом голоса `telugu_male` и генерирует аудиотокены SNAC, которые декодируются вокодером SNAC в монофонический PCM с частотой 24 кГц. Модель основана на архитектуре Llama, содержит 3,3 млрд параметров и имеет контекст 131 072 токена.

Модель дообучена методом QLoRA: базовые веса использовались в 4-битном формате nf4, вычисления выполнялись в bf16; адаптеры применялись к слоям attention и MLP, а embeddings оставались замороженными. Для настройки голоса указана медианная основная частота 136,9 Гц. Модель предназначена для синтеза телугу-речи мужским голосом; клонирование голоса по образцу не поддерживается, аудио на вход она не принимает. В README отмечен низкий уровень выходного сигнала, который может потребовать нормализации громкости. Лицензия указана как `other`, конкретные условия в доступных сведениях не приведены.

Сценарии применения

  • озвучивание текста на телугу мужским голосом
  • создание аудиоверсий телугу-текстов
  • синтез реплик для приложений на телугу
  • генерация монофонической речи на телугу с частотой 24 кГц

Ограничения

Модель не принимает аудио и не поддерживает клонирование голоса по образцу; для активации голоса нужен префикс `telugu_male`. Выходной звук может быть тихим и требовать нормализации громкости.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Orpheus Telugu Male (QLoRA v1)

A Telugu text-to-speech voice, finetuned from Orpheus. Voice prefix: telugu_male.

Eval loss 3.1779 -- the best figure recorded in this project, below the Tamil full-finetune baseline of 3.235 that had needed a rented A100. This one trained on a single consumer 16 GB card at no GPU cost.

Measured median F0 of generated speech: 136.9 Hz.

See also the matching female voice and the GGUF build.

Model details

Basecanopylabs/3b-hi-pretrain-research_release (Orpheus, Llama-3.2-3B backbone)
MethodQLoRA (4-bit nf4 base, bf16 compute), r=64 alpha=128, attention + MLP; embeddings frozen
Schedule2 epochs, lr 2e-4 cosine, batch 1 x grad-accum 16
Hardwareone 16 GB RTX 5060 Ti, trained locally
CorpusSYSPIN Telugu (arpit-tiwari/syspin-telugu-tts) -- studio read speech with ground-truth transcripts

How it works

Orpheus emits SNAC audio-codec tokens which a SNAC vocoder decodes to 24 kHz mono PCM. Prompt format is {voice}: {text}; the voice is a literal text prefix learned at training time, so this model has no zero-shot cloning and takes no audio input.

Audio token layout: control tokens 128257-128262, audio offset 128266, 7 tokens per frame each offset by (position_in_frame 0-6) * 4096.

Inference

Recommended sampling: temperature=0.3, repetition_penalty=1.3. Output is quiet (peaks ~0.2-0.4) -- peak-normalise or level it downstream.

Licence and provenance

Derived from the SYSPIN Telugu corpus. The mirror this was trained from does not declare a licence; anyone intending commercial use should confirm terms with the upstream corpus holders (IISc SPIRE Lab / Bhashini) rather than relying on this repo.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
844fcec

0 моделей